CVPRNov, 2021

Lepard: 学习刚性和可变形场景中部分点云匹配

PDF
TL;DRLepard 是一种基于学习的部分点云匹配方法，可以在刚性和可变形场景中进行匹配，其关键特征是利用三维位置知识实现点云匹配，通过特征空间和三维位置空间分离表示，显式地利用向量点积作为位置编码方法，并且采用重新定位技术改善交叉点云相对位置，与 RANSAC 和 ICP 结合应用于刚性场景中，Lepard 具有 93.9％/71.3％的顶尖匹配性能，优于先前的匹配方法，并且在可变形场景中提高了 + 27.1％/ +34.8％的非刚性特征匹配召回率，优于现有方法。
发现论文，激发创造
  • 2D3D-MatchNet：学习在 2D 图像和 3D 点云之间匹配关键点

    本研究提出了一种名为 2D3D-MatchNet 的深度网络结构，能够直接从图像和点云中的 2D 和 3D 关键点描述符中匹配和建立 2D-3D 对应关系，并用于视觉位姿估计，结果表明该方法是可行的。

    Apr, 2019

  • 平滑密度下的 3D 点云匹配

    提出了一种基于三维点云的全工作流程，利用卷积神经网络和全卷积层来匹配三维点云，利用兴趣点体素化光滑密度值 (SDV) 表示，从而实现旋转不变性，并在 3DMatch 基准数据集上取得了 94.9% 的平均召回率，性能比同类方法提高了 20% 以上，同时实现了高效的近实时的对应点搜索。

    Nov, 2018

  • 基于点云配准驱动的三维孪生物体追踪强鲁棒特征匹配

    本文提出一种新的点云注册驱动的 Siamese 跟踪框架，包括追踪特定的非本地注册模块和注册辅助的 Sinkhorn 模板特征聚合模块，以实现在精确定位物体的同时提高跟踪鲁棒性。

    Sep, 2022

  • 耦合拉普拉斯特征映射用于局部感知三维刚性点云匹配

    基于图 Laplacian 特征映射和局部结构的点云匹配技术，通过引入 Coupled Laplacian 算子解决顺序和符号歧义，成功实现高度精确的形状匹配和异常定位。

    Feb, 2024

  • 基于深度图匹配的稳健点云配准框架

    本文提出了一种基于深度图匹配的 3D 点云注册框架，通过先将点云转化为图并提取每个点的深度特征，再用深度图匹配计算软对应矩阵，从而找到更正确的对应关系，实现了在有离群点和时间约束而没有好的变换初始化时的 3D 点云快速注册。

    Mar, 2021

  • 3DMatch: 从 RGB-D 重建学习局部几何描述符

    本文提出了一种名为 3DMatch 的数据驱动模型，它可以学习用于建立局部 3D 数据对应关系的局部体积块描述符，且利用自我监督特征学习方法来汇集训练数据。实验证明，该描述符不仅可以用于重构新场景的局部几何形状的匹配，而且可以推广到不同的任务和空间尺度。

    Mar, 2016

  • 2D3D-MATR: 图像与点云之间基于 2D-3D 匹配变换器的无检测配准

    采用 2D3D-MATR 方法，我们提出了一种无需检测的方法，用于图像和点云之间的准确且鲁棒的配准。该方法在粗匹配的基础上，通过学习全局上下文约束和跨模态相关性，通过 transformer 实现多尺度金字塔和图像块焦点学习，解决了尺度不确定性问题，从而获得了比之前的最优模型 P2-Net 更高的配准率和稳定度。

    Aug, 2023

  • 学习局部位移实现点云补全

    该研究提出一种新的方法，使用基于 3D 点云的局部扫描来完成物体和场景的自动化补全，并通过使用特定的编码器 - 解码器结构以及三个特殊开发的新型层来实现。该方法在对象和室内场景自动补全任务中表现出优异的性能，并提高了技术水平。

    Mar, 2022

  • D3Former: 通过显著性引导的 Transformer 共同学习可重复的稠密探测器和特征增强描述符

    通过引入一种名为 D3Former 的基于显著性引导的变换器模型，联合学习可重复的稠密检测器和增强特征的描述符，实现了准确匹配点云问题的关键步骤，实验证明该方法在室内和室外基准测试中始终优于最先进的点云匹配方法。

    Dec, 2023

  • KDD-LOAM：基于联合学习的关键点检测器和描述符辅助 LiDAR 里程计和地图构建

    稀疏关键点匹配改善了点云配准的效率和稳健性。该研究提出了一种基于多任务全卷积网络和概率检测损失的紧密耦合的关键点检测器和描述子 (TCKDD)，并通过自监督学习实现描述子的全面自适应及关键点检测器的优化。在室内和室外数据集上的大量实验证明，TCKDD 在点云配准中取得了最先进的性能。此外，我们设计了一个关键点检测器和辅助 LiDAR 里程计与建图框架 (KDD-LOAM)，其实时里程计依赖于基于关键点描述子匹配的 RANSAC。稀疏关键点进一步用于高效的扫描至地图配准和建图。在 KITTI 数据集上的实验证明，KDD-LOAM 明显优于 LOAM，在里程计方面表现出有竞争力的性能。

    Sep, 2023